[发明专利]一种应用于稀疏傅里叶叠层成像的无训练卷积神经网络相位恢复方法

说明书

本发明属于傅里叶叠层成像技术领域，具体涉及一种应用于稀疏傅里叶叠层成像的无训练卷积神经网络相位恢复方法，包括：获取低分辨率图像，对低分辨率图像进行间隔采样得到低分辨率子图像；将低分辨率子图像进行插值放大和加入随机高斯噪声后输入卷积神经网络模型中，得到图像的幅度和相位信息，根据幅度和相位信息重建低分变率图像；比较重建的低分辨率图像与输入的低分辨率图像的差异，并训练神经网络直到网络收敛，得到高分辨率图像的相位和幅度信息；本发明设计了一类无训练卷积神经网络，在不依赖大量数据的情况下，使用较少的采样图像序列，即可高质量恢复图像相位和幅度信息。

技术领域

本发明属于傅里叶叠层成像技术领域，具体涉及一种应用于稀疏傅里叶叠层成像的无训练卷积神经网络相位恢复方法。

背景技术

近些年提出的叠层成像技术(又分为空间叠层成像和傅里叶叠层成像两类)，其利用合成孔径(synthetic aperture)和相位恢复(phase retrieval)技术，每次只扫描样品的子区域或样品低分辨率图像，通过计算成像方法，求解出样品的高分辨率复振幅(包含了衰减和相位信息)优化解。叠层成像技术，能够保持图像采集大视场与高分辨率的统一，同时重建样品相位信息和衰减信息(运用特定算法可进一步重建样品深度信息)。

傅立叶叠层成像技术其利用合成孔径(synthetic aperture)和相位恢复(phaseretrieval)技术，每次只扫描样品的子区域或样品低分辨率图像，通过计算成像方法，求解出样品的高分辨率复振幅(包含了衰减和相位信息)优化解。例如以波士顿大学田磊课题组提出的系类方法为代表提出的基于深度学习的傅里叶叠层成像重建方法，该方法本质利用数据驱动，训练强监督深度卷积网络，以此获得输入低分辨图像序列和待重建物体相位信息映射关系，最终得到重建后的图像。虽然傅立叶成像系统保持了高分辨率与大视场的统一，但是系统采集低分辨率图像耗时较长，阻碍了傅里叶成像系统在时间分辨率上延展；而且在对待重建的图像进行处理的过程中，需要大量的数据对模型进行训练，增加了模型训练的难度以及训练的复杂度，且最终重建的后的高分辨率图像的幅度和相位信息的精确度差。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种应用于稀疏傅里叶叠层成像的无训练卷积神经网络相位恢复方法，该方法包括：获取稀疏待重建的低分辨率图像序列，对低分辨率图像序列做放大插值操作，并加入随机噪声；将加入随机噪声后的低分辨率图像序列输入到深度卷积神经网络中，得到高分辨率图像的幅度和相位信息；

对深度卷积神经网络进行训练的过程包括：

S1：获取低分辨率图像序列，对低分辨率图像序列进行间隔采样，得到低分辨率子图像序列；

S2：对低分辨率子图像序列进行放大操作，将放大操作后的图像叠加随机高斯噪声；

S3：将叠加随机噪声的低分辨率子图像序列输入到深度卷积神经网络中，得到两张特征图，该特征图分别对应待重建图像的幅度和相位信息；根据待重建图像的幅度和相位信息得到待重建图像的物体信息图；

S4：根据待重建图像的物体信息图重建的低分辨率图像；

S5：根据重建后的低分辨率图像和输入的低分辨率图像构建系统损失函数；

S6：当深度卷积神经网络的损失函数收敛时，输入低分辨率序列得到重建的高分辨率图像的幅度和相位信息，完成模型的训练。

优选的，对低分辨率子图像序列进行放大操作包括：获取的低分辨图像序列数据的大小为(Nx,Ny)；对低分辨率子图像序列进行放大后的图像大小为(NX,NY)，其中NX＝aNx，NY＝aNY，a为尺度系数。

优选的，深度卷积神经网络采用U-net结构。

优选的，根据待重建图像的幅度和相位信息得到待重建图像的物体信息图公式为：

V＝Aexp(jθ)